Śledzie
Piotr Markwitan
26 maj 2018
W raporcie wykorzystano następujące biblioteki języka R:
library(ggplot2)
library(plotly)
library(dplyr)
#REM library(stringr)
library(caret)Podsumowanie
Celem ćwiczenia jest analiza wskazanego pliku pod kątem wpływu czynników zewnętrznych na rozmiar śledzia atlantyckiego. Na wstępie zbadano zmiany wielkości łowionych śledzi w kolejnych pomiarach. Widać, że do ok. 40% pomiarów średnia długość śledzia rośnie. Potem spada i jest to trwały trend. Analiza parametrów wykazała, że największy wpływ na rozmiar śledzi ma temperatura wody przy powierzchni. Wzrost temperatury powoduje zmniejszenie średniej długości śledzia atlantyckiego.
Analiza danych źródłowych
Dane źródłowe
Dane źródłowe są dostępne w pliku http://www.cs.put.poznan.pl/dbrzezinski/teaching/sphd/sledzie.csv Zgodnie z opisem zawiera on pomiary złowionych śledzi oraz opis warunków. Kolejne kolumny w zbiorze danych to:
- length: długość złowionego śledzia [cm];
- cfin1: dostępność planktonu [zagęszczenie Calanus finmarchicus gat. 1];
- cfin2: dostępność planktonu [zagęszczenie Calanus finmarchicus gat. 2];
- chel1: dostępność planktonu [zagęszczenie Calanus helgolandicus gat. 1];
- chel2: dostępność planktonu [zagęszczenie Calanus helgolandicus gat. 2];
- lcop1: dostępność planktonu [zagęszczenie widłonogów gat. 1];
- lcop2: dostępność planktonu [zagęszczenie widłonogów gat. 2];
- fbar: natężenie połowów w regionie [ułamek pozostawionego narybku];
- recr: roczny narybek [liczba śledzi];
- cumf: łączne roczne natężenie połowów w regionie [ułamek pozostawionego narybku];
- totaln: łączna liczba ryb złowionych w ramach połowu [liczba śledzi];
- sst: temperatura przy powierzchni wody [°C];
- sal: poziom zasolenia wody [Knudsen ppt];
- xmonth: miesiąc połowu [numer miesiąca];
- nao: oscylacja północnoatlantycka [mb].
Wczytany zbiór ma 52582 wierszy.
Wyniki pomiarów są zapisane chronologicznie można zatem sprawdzić czy da się zauważyć zmianę długości łowionych śledzi i ewentualny trend.
Spadek długości śledzi w ostatnich latach jest zauważalny i widać stały trend spadkowy.
Próbka oryginalnych danych
Wycinek pliku źródłowego:
## X length cfin1 cfin2 chel1 chel2 lcop1 lcop2 fbar recr
## 1 0 23.0 0.02778 0.27785 2.46875 NA 2.54787 26.35881 0.356 482831
## 2 1 22.5 0.02778 0.27785 2.46875 21.43548 2.54787 26.35881 0.356 482831
## 3 2 25.0 0.02778 0.27785 2.46875 21.43548 2.54787 26.35881 0.356 482831
## 4 3 25.5 0.02778 0.27785 2.46875 21.43548 2.54787 26.35881 0.356 482831
## 5 4 24.0 0.02778 0.27785 2.46875 21.43548 2.54787 26.35881 0.356 482831
## 6 5 22.0 0.02778 0.27785 2.46875 21.43548 2.54787 NA 0.356 482831
## cumf totaln sst sal xmonth nao
## 1 0.3059879 267380.8 14.30693 35.51234 7 2.8
## 2 0.3059879 267380.8 14.30693 35.51234 7 2.8
## 3 0.3059879 267380.8 14.30693 35.51234 7 2.8
## 4 0.3059879 267380.8 14.30693 35.51234 7 2.8
## 5 0.3059879 267380.8 14.30693 35.51234 7 2.8
## 6 0.3059879 267380.8 14.30693 35.51234 7 2.8Podsumowanie oryginalnych danych
Podstawowe parametry wczytanych wartości:
## X length cfin1 cfin2
## Min. : 0 Min. :19.0 Min. : 0.0000 Min. : 0.0000
## 1st Qu.:13145 1st Qu.:24.0 1st Qu.: 0.0000 1st Qu.: 0.2778
## Median :26291 Median :25.5 Median : 0.1111 Median : 0.7012
## Mean :26291 Mean :25.3 Mean : 0.4458 Mean : 2.0248
## 3rd Qu.:39436 3rd Qu.:26.5 3rd Qu.: 0.3333 3rd Qu.: 1.7936
## Max. :52581 Max. :32.5 Max. :37.6667 Max. :19.3958
## NA's :1581 NA's :1536
## chel1 chel2 lcop1 lcop2
## Min. : 0.000 Min. : 5.238 Min. : 0.3074 Min. : 7.849
## 1st Qu.: 2.469 1st Qu.:13.427 1st Qu.: 2.5479 1st Qu.:17.808
## Median : 5.750 Median :21.673 Median : 7.0000 Median :24.859
## Mean :10.006 Mean :21.221 Mean : 12.8108 Mean :28.419
## 3rd Qu.:11.500 3rd Qu.:27.193 3rd Qu.: 21.2315 3rd Qu.:37.232
## Max. :75.000 Max. :57.706 Max. :115.5833 Max. :68.736
## NA's :1555 NA's :1556 NA's :1653 NA's :1591
## fbar recr cumf totaln
## Min. :0.0680 Min. : 140515 Min. :0.06833 Min. : 144137
## 1st Qu.:0.2270 1st Qu.: 360061 1st Qu.:0.14809 1st Qu.: 306068
## Median :0.3320 Median : 421391 Median :0.23191 Median : 539558
## Mean :0.3304 Mean : 520367 Mean :0.22981 Mean : 514973
## 3rd Qu.:0.4560 3rd Qu.: 724151 3rd Qu.:0.29803 3rd Qu.: 730351
## Max. :0.8490 Max. :1565890 Max. :0.39801 Max. :1015595
##
## sst sal xmonth nao
## Min. :12.77 Min. :35.40 Min. : 1.000 Min. :-4.89000
## 1st Qu.:13.60 1st Qu.:35.51 1st Qu.: 5.000 1st Qu.:-1.89000
## Median :13.86 Median :35.51 Median : 8.000 Median : 0.20000
## Mean :13.87 Mean :35.51 Mean : 7.258 Mean :-0.09236
## 3rd Qu.:14.16 3rd Qu.:35.52 3rd Qu.: 9.000 3rd Qu.: 1.63000
## Max. :14.73 Max. :35.61 Max. :12.000 Max. : 5.08000
## NA's :1584Korelacja wartości wejściowych
## wsp. korelacji
## X -0.33913000
## length 1.00000000
## cfin1 0.08122553
## cfin2 0.09832515
## chel1 0.22091226
## chel2 -0.01430766
## lcop1 0.23775402
## lcop2 0.04894328
## fbar 0.25697135
## recr -0.01034244
## cumf 0.01152544
## totaln 0.09605811
## sst -0.45167059
## sal 0.03223550
## xmonth 0.01371195
## nao -0.25684475Z powyższej analizy widać, że najbardziej skorelowanym z długością śledzi jest parametr sst oznaczający temperaturę oceanu. Drugim parametrem jest X określający numer wiersza. Z oczywistych przyczyn nie będziemy zajmować się analizą parametru porządkowego. Parametry fbar i nao mają prawie identyczną korelację z długością śledzi. Do dalszej analizy wybieramy fbar ponieważ nao jest silnie skorelowany z sst. 
Histogramy
Czyszczenie danych wejściowych
Po analizie korelacji zdecydowano o wyborze następujących parametrów:
- X: jako parametr porządkowy
- fbar: natężenie połowów w regionie [ułamek pozostawionego narybku];
- sst: temperatura przy powierzchni wody [°C];
Jak widać w podsumowaniu danych tylko parametr sst ma puste wartości. Ze względu na niewielką ich liczbę w porównaniu do całkowitego wolumenu (1584/52582) zdecydowano o wykluczeniu tych pomiarów z dalszej analizy. W sytuacji, gdy pustych wartości byłoby więcej należałoby zastosować inne podejście, np. wypełnienie średnią wartością, średnią kroczącą itp.
Regresja
Utworzenie regresora z wykorzystaniem metody kNN.
set.seed(23)
inTraining <-
createDataPartition(
y = df2$length,
p = .75,
list = FALSE)
training <- df2[ inTraining,]
testing <- df2[-inTraining,]
ctrl <- trainControl(
# powtórzona ocena krzyżowa
method = "repeatedcv",
# liczba podziałów
number = 2,
# liczba powtórzeń
repeats = 5)
fit <- train(length ~ .,
data = training,
method = "knn",
trControl = ctrl,
preProcess = c("center","scale"),
tuneLength = 5)Parametry regresora:
## k-Nearest Neighbors
##
## 38250 samples
## 4 predictor
##
## Pre-processing: centered (4), scaled (4)
## Resampling: Cross-Validated (2 fold, repeated 5 times)
## Summary of sample sizes: 19124, 19126, 19127, 19123, 19126, 19124, ...
## Resampling results across tuning parameters:
##
## k RMSE Rsquared MAE
## 5 1.127596 0.5445332 0.8833578
## 7 1.111266 0.5540285 0.8705737
## 9 1.106173 0.5564194 0.8671249
## 11 1.104861 0.5565396 0.8669588
## 13 1.105787 0.5552225 0.8680676
##
## RMSE was used to select the optimal model using the smallest value.
## The final value used for the model was k = 11.